基于改進BP網絡的冷水機組故障診斷

石書彪 陳煥新 李冠男 胡云鵬 黎浩榮 胡文舉 李 炅

(1 華中科技大學制冷與低溫實驗室 武漢 430074；2 University of Nebraska-Lincoln 內布拉斯加 68410；3 北京建筑大學供熱供燃氣通風及空調工程北京市重點實驗室 北京 100044；4 壓縮機技術國家重點實驗室 合肥 230031)

基于改進BP網絡的冷水機組故障診斷

石書彪1陳煥新1李冠男1胡云鵬1黎浩榮2胡文舉3李 炅4

(1 華中科技大學制冷與低溫實驗室 武漢 430074；2 University of Nebraska-Lincoln 內布拉斯加 68410；3 北京建筑大學供熱供燃氣通風及空調工程北京市重點實驗室 北京 100044；4 壓縮機技術國家重點實驗室 合肥 230031)

采用常規神經網絡進行冷水機組的故障檢測與診斷，存在整體檢測率低或完全無法檢測的現象。為了提高冷水機組故障檢測效率及診斷精度，本文提出了一種基于貝葉斯正則化的改進神經網絡故障檢測策略。由于BP神經網絡存在泛化能力差的缺陷，對神經網絡進行貝葉斯正則化，從而提高模型的檢測效率。貝葉斯算法通過限制神經網絡權值，使網絡反應更加光滑，模型更精確。通過利用ASHRAE Project提供的數據對FDD (fault detection and diagnosis) 策略進行驗證，檢測率明顯提高。

冷水機組；故障檢測與診斷；神經網絡；貝葉斯正則化

冷水機組作為空調系統中的主要冷熱交換設備，也是最主要的能耗設備[1]。冷水機組長時間運行不可避免會出現各種故障，這些故障若不及時排除，會導致系統能耗增加，縮短設備的使用壽命，同時也會給室內人員帶來不舒適感，影響工作及生活質量。

冷水機組的故障檢測與診斷(fault detection and diagnosis，FDD)是近年來制冷空調系統的研究熱點之一，其中基于運行過程數據進行相關分析方法應用越來越廣泛[2]。不少學者采用主元分析(principal component analysis，PCA)[3-4]、支持向量數據描述(support vector data description，SVDD)[5-6]、支持向量機(support vector machine，SVD)等[7]方法進行故障檢測和診斷的研究工作。神經網絡作為一種FDD的方法也受到了廣泛的應用。韓玲[8]利用正交實驗的方法尋求神經網絡的最佳網絡模型，編出故障診斷程序進行故障診斷，實驗結果表明能夠準確判斷出故障；張婷[9]利用模糊推理和模糊神經網絡結合對離心式冷水機組進行故障診斷，此方法結合了模糊數學和神經網絡各自的優點，實現了離心式冷水機組的故障診斷系統。神經網絡相對于PCA、SVDD以及SVD而言，具有較強的非線性映射能力且能保持足夠的精度[10]，其特別適合于求解多故障分類問題。但是，BP神經網絡結構選擇存在多個局部極小值以及BP神經網絡的訓練對網絡結構的初始值依賴比較大[11]，而且存在網絡結構的不確定性等缺陷，使得BP神經網絡的泛化能力不強。為了改善BP神經網絡的泛化能力，本文建立了一種基于BP神經網絡改進的預測模型，相對于BP神經網絡而言，它能保證網絡擬合精度的前提下，刪去冗余的連接權和神經元，降低其復雜性，有效改善網絡結構，從而限制過擬合現象，并在一定程度上提高網絡的精度和泛化能力。

1 故障診斷模型輸入、輸出變量

根據Comstock and Braun對冷水機組的故障調查報告，冷水機組常發生7種故障：冷凝器結垢(ConFoul)、制冷劑過量(RefOver)、制冷劑泄露(RefLeak)、有不凝性氣體(NonCon)、冷凍水流量減少(RefuEF)、冷卻水流量減少(ReduCF)、油過量(ExcsOil)。每種故障都會對制冷機組的制冷效率產生一定的不良影響。例如，冷凝器表面的污垢會使換熱器傳熱管管壁熱阻增加，從而導致機組的制冷效率降低，結垢嚴重時還會使冷卻管堵塞，減少水流通截面積，增大水流阻力，增加循環水泵運行費用。因而及時對機組進行故障檢測和診斷可以避免由于故障產生的能耗浪費。冷水機組故障產生的原因錯綜復雜，在這篇文章中采用采用文獻[5]中的8個特征向量(表1)進行故障診斷。

表1 8個故障指示特征Tab.1 Description of eight fault indicative features

2 基于改進的BP網絡模型

2.1 BP神經網絡

在神經網絡的實際應用中，BP網絡應用最為廣泛，80%～90%的神經網絡模型是采用BP網絡或其變化形式，它也是前饋網絡的核心部分，體現了神經網絡最精華的部分[12]。BP(Back-Propagation)算法是函數信號的正向傳遞和誤差信號的反向傳播。在正向傳遞過程中，輸入信息從輸入層經隱含層逐層計算傳向輸出層，輸出層沒有得到期望的輸出，則計算輸出層的誤差值，轉向反向傳播，通過網絡將誤差信號沿原來的連接通路反傳回來得到每層的誤差信號，用來修改各層神經元的權值和閾值直至達到日標，使得誤差滿足設定的精度。用模型進行預測時，將用來預測的輸入信號送入訓練好的神經網絡模型，該模型就能輸出相應的結果。將輸出結果和期望值對比進行故障診斷[13]。

2.2 網絡結構的選擇

根據上一節選擇的8個特征變量，確定BP神經網絡輸入層有8個節點數；隱含層需要確定隱含層的層數和隱含層的節點數這兩個參數，隱含層的層數由映射定理分析可知[14]，一個S型隱含層的BP神經網絡能夠以期望的精度逼近任意非線性函數，因而一個S型隱含層能夠對冷水機組進行故障診斷。隱含層節點數的確定目前采用試湊法，根據經驗公式初步確定隱層神經元節點數的大概范圍，以評估神經網絡檢測率的高低來選出最佳隱含層節點數。公式如下：

(1)

式中：M為輸入層神經元的個數；L為輸出層神經元的個數；K取3～5，ΔA取4～10。

對神經網絡進行模擬仿真，根據仿真的結果可得知，隱含層的節點數18時，神經網絡的檢測率最高。輸出層節點數和網絡輸出的運行狀態有關，上一節中冷水機組常發生7個故障，1個正常運行狀態，共有8類標簽，即輸出層有8個節點數。從而可以確定BP神經網絡的拓撲結構為8-18-8的三層BP神經網絡。

2.3 網絡結構的分析

根據BP神經網絡的拓撲結構確定BP神經網絡結構圖，如圖1所示。圖1中，輸入層編號1～8對應表1的特征變量，對輸出層采用Normal、ConFoul、ExcsOil、RefLeak、NonCon、RefuEF、ReduCF、RefOver作為8個輸出神經元，分別對應編號A1～A8，表示制冷機組的運行狀態，A1表示正常運行工況，A2～A8表示故障。表2為故障編號所對應的神經網絡輸出，1代表運行狀態，越接近于1，表示越接近該運行狀態。例如：(1 0 0 0 0 0 0 0)表示正常運行，(0 1 0 0 0 0 0 0)表示發生ConFoul故障。

圖1 BP神經網絡結構Fig.1 BP neural network structure diagram

故障編號神經網絡輸出A1(正常)(10000000)A2(冷凝器結垢)(01000000)A3(油過量)(00100000)A4(制冷劑泄露)(00010000)A5(有不凝性氣體)(00001000)A6(冷凍水流量減少)(00000100)A7(冷卻水流量減少)(00000010)A8(制冷劑過量)(00000001)

2.4 基于貝葉斯正則化的BP網絡泛化能力改進

由于標準的BP神經網絡存在泛化能力差(泛化能力是指訓練后網絡對于來自同一樣本集中的非訓練樣本給出正確的輸入輸出關系的能力[15])等缺點，因而為了提高BP神經網絡的泛化能力，在算法中引入貝葉斯正則化方法，所謂貝葉斯正則化(Bayesian-Regularization，BR)是指通過修正神經網絡的性能函數來提高其推廣能力的過程[16]，利用均方誤差與權值的線性組合值做網絡性能評價函數，即：

(2)

式中：yi為為網絡預測向量；ti為為網絡目標向量；γ為比例系數。

可見，貝葉斯正則化能夠自動限制網絡權值的規模，避免節點數過多造成對訓練數據過擬合，增強神經網絡的泛化能力[17]。

3 故障診斷流程圖

貝葉斯正則化BP神經網絡故障結構框圖如圖2所示。分成三個步驟：1)從數據庫中選取初始數據(包括正常運行和故障狀態)，把數據分成兩份，一份用來訓練，一份用來預測；2)初始化神經網絡，用訓練數據來對BP神經網絡進行訓練，用貝葉斯歸一化法進行優化，獲得收斂的貝葉斯正則化的BP神經網絡。3)利用訓練好的神經網絡來對預測數據進行故障識別。

圖2 貝葉斯正則化化的BP神經網絡Fig.2 The BP neural network of Bayesian regularization

4 仿真結果與分析

4.1 數據來源及處理

采用ASHRAE 1043-RP提供的數據驗證貝葉斯正則化算法的優化性能。利用8個特征變量作為8個故障的影響因素，由于8個特征變量的參數單位不同，直接將原始數據輸入BP神經網絡進行訓練使得網絡的性能和收斂性變差，本文設計的激勵函數采用的是S函數，輸出設定在(-1，1)或(0，1)[18]之間。所以必須先對神經網絡輸入數據進行歸一化處理。輸出數據本身處于(0，1)中，不需要進行歸一化。

4.2 數據應用以及仿真結果

ASHRAE 1043-RP提供的數據有4個故障水平(表3為冷凝器結垢水平對應的結垢管數)，每個故障水平有7個故障，每個故障水平的故障類別共有433組數據，取其中的333組數據來進行訓練，利用100組數據來進行預測。通過利用以學習率可變的動量BP算法，訓練函數和貝葉斯歸一化法訓練函數在預測誤差及檢測率這兩個方面進行對比，驗證貝葉斯正則化能夠提高BP神經網絡的泛化能力，圖3所示為利用訓練好的以學習率可變的動量BP算法訓練函數的BP神經網絡(BPNN)對機組故障水平4的運行狀態進行預報的網絡預測誤差圖，圖4所示為利用訓練好的貝葉斯正則化的BP神經網絡(BPNN-BR)對機組故障水平4的運行狀態進行預報的網絡預測誤差圖。圖5～圖8所示為BPNN和BPNN-BR的檢測率(檢測率表示正確檢測出來的故障樣本數與總樣本個數的比值)。檢測率的具體值請見表4。

圖3 BPNN的預測誤差圖Fig.3 The predictive error graph of BPNN

圖4 BPNN-BR的預測誤差圖Fig.4 The predictive error graph of BPNN-BR

故障水平預期運行狀況實際運行狀況正常運行164根未結垢的管道未結垢管故障水平1減少12%的管道20管道結垢故障水平2減少20%的管道33管道結垢故障水平3減少30%的管道49管道結垢故障水平4減少45%的管道74管道結垢

表4 兩種方法的故障檢測率Tab.4 The fault detection rate of two methods

4.3 結果分析

從表4以及圖5～圖8中可以看出，隨著制冷機組發生的故障進一步惡化，神經網絡的整體檢測率都有提高。但是BPNN和BPNN-BR對機組的故障檢測率有很大的差別，例如BPNN-BR相對于BPNN具有更高的整體檢測率，能夠更加準確的識別機組的運行狀態；BPNN-BR對機組的故障檢測率隨著故障水平的嚴重程度呈現規律性的提高，BPNN則沒有這種規律性。對于每個故障水平而言，BPNN-BR對機組的故障檢測率整體都比較高，相反BPNN存在盲區，即檢測率接近于零，從而對這種故障無法檢測出來，這對于機組的故障診斷具有致命的影響。從上面的結果分析可以得出：貝葉斯正則化后的神經網絡對測試樣本具有較好的預測能力，即具有較強的泛化能力，有利于對機組的運行狀態進行準確的預測，從而減少故障對機組的進一步損壞。

圖5 故障水平一的檢測率Fig.5 Detection rate of the first fault level

圖6 故障水平二的檢測率Fig.6 Detection rate of the second fault level

圖7 故障水平三的檢測率Fig.7 Detection rate of the third fault level

圖8 故障水平四的檢測率Fig.8 Detection rate of the fourth fault level

5 結論

根據以上分析，選取8個特征向量作為影響七個故障發生量的主要因素，然后利用BP神經網絡進行建模，采用貝葉斯正則化算法來提高網絡的泛化能力，預測未來不同時間段的故障發生量。通過利用ASHRAE Project提供的數據實現了對故障發生的實時監控和準確預測，驗證了BP神經網絡預測模型的正確性和泛化能力，為故障檢測和診斷提供技術支持和參考依據，對降低能源消耗、提高系統的可靠性以及保證室內舒適性具有重要的意義。

本文受2013年壓縮機技術國家重點實驗室開放基金項目(230031)和供熱供燃氣通風及空調工程北京市重點實驗室研究基金資助課題(NR2016K02 ) 項目資助。(The project was supported by the 2013 State Key Laboratory of Compressor Technology (No. 230031)and Beijing Key Lab of Heating and Gas Supply, Ventilating and Air Conditioning Engineering (No. NR2013K02).)

[1] 江億. 我國建筑耗能狀況及有效的節能途徑[J].暖通空調, 2005, 35(5): 30-40. (Jiang Yi. Current building energy consumption in China and effective energy efficiency measures[J]. Journal of HV & AC, 2005, 35(5): 30-40.)

[2] 胡云鵬, 陳煥新, 周誠, 等. 基于小波去噪的冷水機組傳感器故障檢測[J]. 華中科技大學學報(自然科學版), 2013, 41(3): 16-19.(Hu Yunpeng, Chen Huanxin, Zhou Cheng, et al. Chiller sensor fault detection using wavelet de-noising[J]. Journal of Huazhong University of Science and Technology (Natural Science Edition), 2013, 41(3): 16-19.)

[3] Hu Y P, Chen H X, Xie J L, et al. Chiller sensor fault detection using a self-adaptive principal component analysis method[J]. Energy and Building, 2012, 54: 252-258.

[4] 康嘉. 主元分析在制冷故障檢測與診斷中的應用研究[D]. 上海: 上海交通大學, 2011.

[5] 李冠男, 胡云鵬, 陳煥新, 等. 基于SVDD的冷水機組傳感器故障檢測及效率分析[J]. 化工學報, 2015, 66(5): 1815-1820. (Li Guannan, Hu Yunpeng, Chen Huanxin, et al. SVDD-based chiller sensor fault detection method and its detection efficiency[J]. CIESC Journal, 2015, 66(5): 1815-1820.)

[6] Zhao Y, Wang S W, Xiao F. Pattern recognition based chillers fault detection method using support vector data description (SVDD) [J]. Applied Energy, 2013, 112: 1041-1048.

[7] 谷波, 韓華, 洪迎春, 等. 基于SVM的制冷系統多故障并發檢測與診斷[J]. 化工學報, 2011, 62(Suppl.2): 112-119. (Gu Bo, Han Hua, Hong Yingchun, et al. SVM-based FDD of multiple-simultaneous fault for chillers[J]. CIESC Journal, 2011，62(Suppl.2): 112-119.)

[8] 韓玲. 基于人工神經網絡模型的螺桿式冷水機組故障診斷研究[D]. 重慶: 重慶大學, 2005.

[9] 張婷. 模糊神經網絡在冷水機組故障診斷中的應用研究[D]. 天津: 天津大學, 2009.

[10] Sim J J, Tan G W H, Wong J C J, et al. Understanding and predicting the motivators of mobile music acceptance—A multi-stage MRA-artificial neural network approach[J]. Telematics and Informatics, 2014, 31(4): 569-584.

[11] Jiang W, Lu J. Frequency estimation in wind farm integrated systems using artificial neural network[J]. International Journal of Electrical Power & Energy Systems, 2014, 62: 72-79.

[12] 康耀紅, 周開利. 神經網絡模型及其MATLAB仿真程序設計[M]. 北京: 清華出版社, 2005: 75.

[13] Du Z, Jin X, Yang Y. Wavelet neural network-based fault diagnosis in air-handling units[J]. HVAC & Research, 2008, 14(6): 959-973.

[14] 虞和濟, 陳長征. 基于神經網絡的智能診斷[J].振動工程學報, 2000, 13(2): 202-209. (Yu Heji, Chen Changzheng. Intelligent diagnosis based on neural networks[J]. Journal of Vibration Engineering, 2000, 13(2): 202-209.)

[15] 肖冬峰, 楊春節, 宋執環. 基于改進BP網絡的高爐煤氣發生量預測模型[J]. 浙江大學學報(工學版), 2012, 46(11): 2103-2108. (Xiao Dongfeng, Yang Chunjie, Song Zhihuan. The forecasting model of blast furnace gas output based on improved BP network[J]. Journal of Zhejiang University (Engineering and Technology Edition), 2012, 46(11): 2103-2108.)

[16] 吳啟勛, 胡樹青. 貝葉斯正則化神經網絡預測金屬晶體結合能的研究[J]. 計算機與應用化學, 2004, 21(4): 604-608. (Wu Qixun, Hu Shuqing. The application of bayesian-regularization neural network in prediction of the cohesive energy of metallic crystalloid[J]. Computers and Applied Chemistry, 2004, 21(4): 604-608.)

[17] 曹家興, 陸建平. 遺傳算法-貝葉斯正則化BP神經網絡擬合滴定糖蜜中有機酸[J]. 分析化學, 2011, 39 (5): 743-747. (Cao Jiaxing, Lu Jianping. Titration analysis of multi-organic acids in sugarcane molasses by back-propagation neural network integrated with bayesian regularization and genetic algorithm[J]. Chinese Journal of Analytical Chemistry, 39(5): 743-747.)

[18] 陳昌松, 段善旭, 殷進軍. 基于神經網絡的光伏陣列發電預測模型的設計[J]. 電工技術學報, 2009, 24(9): 153-158. (Chen Changsong, Duan Shanxu, Yin Jinjun. Design of photovoltaic array power forecasting model based on neutral network[J]. Transactions of China Electrotechnical Society, 2009, 24(9): 153-158.)

About the corresponding author

Chen Huanxin, male, professor, Refrigeration and Cryogenics Laboratory, Huazhong University of Science and Technology, +86 27-87558330, E-mail: chenhuanxin@tsinghua.org.cn. Research fields: computer simulation and optimization of refrigeration and air conditioning system, refrigeration and air conditioning equipment development and new technology research, vehicle refrigeration and its control technology.

Research on Fault Diagnosis of Chillers Based on Improved BP Network

Shi Shubiao1Chen Huanxin1Li Guannan1Hu Yunpeng1Li Haorong2Hu Wenju3Li Jiong4

(1. Refrigeration and Cryogenics Laboratory, Huazhong University of Science and Technology, Wuhan, 430074, China; 2. University of Nebraska-Lincoln, Nebraska, 68410, USA; 3. Beijing University of Civil Engineering and Architecture, Beijing, 100044, China; 4. State Key Laboratory of Compressor Technology, Hefei, 230031, China)

The overall detection rate using conventional neural networks to detect and diagnose the chillers’ fault is low, even this method can’t detect the fault completely. In order to improve the fault detection and diagnostic accuracy of chiller, an improved neural network fault detection strategy based on Bayesian regularization is proposed. Due to the defects of poor generalization ability of BP neural network, the neural network based on Bayesian regularization can improve the detection efficiency of the model. Bayesian algorithm by limiting the weights of the neural network makes the network more smooth, which make the model more precise. Validation of FDD (fault detection and diagnosis) strategy through using ASHRAE Project data shows that the detection rate is improved obviously.

chiller; fault detection and diagnosis; BP neural network; bayesian regularization

國家自然科學基金項目(51328602)。(The project was supported by the National Natural Science Foundation of China(No.51328602).)

2014年11月11日

0253- 4339(2015) 06- 0034- 06

10.3969/j.issn.0253- 4339.2015.06.034

TU831.4；TP183

A

陳煥新，男，教授，華中科技大學制冷與低溫實驗室，(027) 87558330，E-mail: chenhuanxin@tsinghua.org.cn。研究方向：制冷空調系統計算機模擬及優化，制冷空調設備開發及新技術研究，車輛制冷及其測控技術。